Berta Sándor
Valósághű klímaszimuláció készül a mesterséges intelligencia segítségével
A gépi tanulás javíthat az éghajlati modelleken, amelyek megjósolják, hogyan változhat a Föld klímája évtizedek múlva.
A szélsőséges csapadékesemények pontos modellezése komoly kihívást jelent a meteorológusok számára. Ennek megváltoztatására a kutatók most olyan gépi tanulási módszerekhez fordultak, amelyeket egyébként az éghajlati modellezés javítására szolgáló képek készítéséhez használnak. A szakemberek ezáltal egyre részletesebb képet kapnak globális éghajlatunkról.
Mesterséges intelligencia segítségével a számítógépek már képesek javítani az elmosódott felvételek felbontását, fotók alapján olyan festményeket generálni, amelyek bizonyos festők stílusát utánozzák, vagy akár olyan emberek valósághű portréit is elkészíteni, akik nem is léteznek. Ennek hátterében az úgynevezett GAN-ok (Generative Adversarial Networks) állnak. A Niklas Boers, a Müncheni Műszaki Egyetem földrendszer-modellezési professzora és a Potsdami Éghajlati Hatáskutató Intézet (PIK) munkatársa által vezetett csapat most ezeket a gépi tanulási algoritmusokat alkalmazta az éghajlatkutatásban. A kutatócsoport a Nature Machine Intelligence című szakfolyóiratban tette közzé eredményeit.
"Az éghajlati modellek elsősorban tágabb időtávjukban különböznek az időjárás-előrejelzésre használt modellektől. Az időjárás-előrejelzések horizontja néhány nap, az éghajlati modelleké évtizedekre vagy évszázadokra terjed" - magyarázta Philipp Hess, a tanulmány szerzője, a Müncheni Műszaki Egyetem Földrendszer-modellezés Tanszékének tudományos munkatársa. Az időjárás viszonylag pontosan megjósolható egy adott régióra és egy korlátozott, néhány napos időszakra, majd megfigyelésekkel ellenőrizhető. Az éghajlat esetében nem időbeli előrejelzésről van szó, hanem - többek között - annak felméréséről, hogy az üvegházhatású gázok növekvő kibocsátása hosszú távon hogyan fogja befolyásolni az éghajlatot.
Az éghajlati modellek azonban nem tudnak minden lényeges éghajlati folyamatot tökéletesen figyelembe venni. Egyrészt azért, mert sok ilyen folyamatot még nem kutattak kellőképpen, másrészt pedig azért, mert a részletes szimulációk túl sokáig tartanának és túl nagy számítási teljesítményt igényelnének. "Különösen a szélsőséges csapadékesemények ezért még nem számíthatóak ki olyan jól az éghajlati modellekkel, mint szeretnénk. Ezért kezdtünk el optimalizálni egy ilyen modellt GAN-okkal" - mutatott rá Niklas Boers.
Nagyjából összefoglalva a GAN-ok két neurális hálózatból állnak. Az egyik hálózat megpróbál egy korábban meghatározott terméket létrehozni egy sablonból, a másik pedig megpróbálja megkülönböztetni ezt a mesterségesen létrehozott terméket a valós példáktól. A két hálózat versenyez egymással ebben a folyamatban, amelyben folyamatosan fejlesztik egymást. A GAN-ok gyakorlati alkalmazása a tájképfestmények realisztikus fényképekké való "lefordítása" lenne. A két neurális hálózat addig játssza oda-vissza a festmények alapján generált fotórealisztikus képeket, amíg azok már nem különböztethetők meg a valódi fotóktól.
Niklas Boers csapata hasonlóan járt el: a tudósok az éghajlati modellek gépi tanuláson alapuló javításában rejlő lehetőségek bemutatására egy viszonylag egyszerű éghajlati modellt optimalizáltak. A csapat algoritmusai ehhez megfigyelésen alapuló időjárási adatokat használnak. Ezekkel képezték ki a GAN-t, amelyet arra használtak, hogy az éghajlati modell szimulációit úgy módosítsák, hogy azok már ne legyenek megkülönböztethetők az időjárási megfigyelésektől. "Ily módon a részletesség és a realizmus szintje további bonyolult folyamatszámítások nélkül is növelhető" - közölte Markus Drücke, a PIK klímamodellezője és a tanulmány társszerzője.
Még a viszonylag egyszerű éghajlati modellek is összetettek és számításuk szuperszámítógépekkel történik, amelyek használata nagy energiafogyasztással jár. Minél több részletet vesz figyelembe egy ilyen modell, annál bonyolultabbak a számítások és annál több gépidőre van szükség. A képzett GAN-nak egy éghajlati szimulációra való alkalmazásával járó számítási erőfeszítés azonban elhanyagolható magának az éghajlati modellnek a számításaihoz képest. "Ezért nemcsak a szimulációk javítása és felgyorsítása, hanem az energiatakarékosság érdekében is érdemes a GAN-ok segítségével részletesebbé és valósághűbbé tenni az éghajlati modelleket" - hangsúlyozta Philipp Hess.
A szélsőséges csapadékesemények pontos modellezése komoly kihívást jelent a meteorológusok számára. Ennek megváltoztatására a kutatók most olyan gépi tanulási módszerekhez fordultak, amelyeket egyébként az éghajlati modellezés javítására szolgáló képek készítéséhez használnak. A szakemberek ezáltal egyre részletesebb képet kapnak globális éghajlatunkról.
Mesterséges intelligencia segítségével a számítógépek már képesek javítani az elmosódott felvételek felbontását, fotók alapján olyan festményeket generálni, amelyek bizonyos festők stílusát utánozzák, vagy akár olyan emberek valósághű portréit is elkészíteni, akik nem is léteznek. Ennek hátterében az úgynevezett GAN-ok (Generative Adversarial Networks) állnak. A Niklas Boers, a Müncheni Műszaki Egyetem földrendszer-modellezési professzora és a Potsdami Éghajlati Hatáskutató Intézet (PIK) munkatársa által vezetett csapat most ezeket a gépi tanulási algoritmusokat alkalmazta az éghajlatkutatásban. A kutatócsoport a Nature Machine Intelligence című szakfolyóiratban tette közzé eredményeit.
"Az éghajlati modellek elsősorban tágabb időtávjukban különböznek az időjárás-előrejelzésre használt modellektől. Az időjárás-előrejelzések horizontja néhány nap, az éghajlati modelleké évtizedekre vagy évszázadokra terjed" - magyarázta Philipp Hess, a tanulmány szerzője, a Müncheni Műszaki Egyetem Földrendszer-modellezés Tanszékének tudományos munkatársa. Az időjárás viszonylag pontosan megjósolható egy adott régióra és egy korlátozott, néhány napos időszakra, majd megfigyelésekkel ellenőrizhető. Az éghajlat esetében nem időbeli előrejelzésről van szó, hanem - többek között - annak felméréséről, hogy az üvegházhatású gázok növekvő kibocsátása hosszú távon hogyan fogja befolyásolni az éghajlatot.
Az éghajlati modellek azonban nem tudnak minden lényeges éghajlati folyamatot tökéletesen figyelembe venni. Egyrészt azért, mert sok ilyen folyamatot még nem kutattak kellőképpen, másrészt pedig azért, mert a részletes szimulációk túl sokáig tartanának és túl nagy számítási teljesítményt igényelnének. "Különösen a szélsőséges csapadékesemények ezért még nem számíthatóak ki olyan jól az éghajlati modellekkel, mint szeretnénk. Ezért kezdtünk el optimalizálni egy ilyen modellt GAN-okkal" - mutatott rá Niklas Boers.
Nagyjából összefoglalva a GAN-ok két neurális hálózatból állnak. Az egyik hálózat megpróbál egy korábban meghatározott terméket létrehozni egy sablonból, a másik pedig megpróbálja megkülönböztetni ezt a mesterségesen létrehozott terméket a valós példáktól. A két hálózat versenyez egymással ebben a folyamatban, amelyben folyamatosan fejlesztik egymást. A GAN-ok gyakorlati alkalmazása a tájképfestmények realisztikus fényképekké való "lefordítása" lenne. A két neurális hálózat addig játssza oda-vissza a festmények alapján generált fotórealisztikus képeket, amíg azok már nem különböztethetők meg a valódi fotóktól.
Niklas Boers csapata hasonlóan járt el: a tudósok az éghajlati modellek gépi tanuláson alapuló javításában rejlő lehetőségek bemutatására egy viszonylag egyszerű éghajlati modellt optimalizáltak. A csapat algoritmusai ehhez megfigyelésen alapuló időjárási adatokat használnak. Ezekkel képezték ki a GAN-t, amelyet arra használtak, hogy az éghajlati modell szimulációit úgy módosítsák, hogy azok már ne legyenek megkülönböztethetők az időjárási megfigyelésektől. "Ily módon a részletesség és a realizmus szintje további bonyolult folyamatszámítások nélkül is növelhető" - közölte Markus Drücke, a PIK klímamodellezője és a tanulmány társszerzője.
Még a viszonylag egyszerű éghajlati modellek is összetettek és számításuk szuperszámítógépekkel történik, amelyek használata nagy energiafogyasztással jár. Minél több részletet vesz figyelembe egy ilyen modell, annál bonyolultabbak a számítások és annál több gépidőre van szükség. A képzett GAN-nak egy éghajlati szimulációra való alkalmazásával járó számítási erőfeszítés azonban elhanyagolható magának az éghajlati modellnek a számításaihoz képest. "Ezért nemcsak a szimulációk javítása és felgyorsítása, hanem az energiatakarékosság érdekében is érdemes a GAN-ok segítségével részletesebbé és valósághűbbé tenni az éghajlati modelleket" - hangsúlyozta Philipp Hess.